論文の概要: Shift- and stretch-invariant non-negative matrix factorization with an application to brain tissue delineation in emission tomography data

• arxiv url: http://arxiv.org/abs/2604.08161v1
• Date: Thu, 09 Apr 2026 12:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.909115
• Title: Shift- and stretch-invariant non-negative matrix factorization with an application to brain tissue delineation in emission tomography data
• Title（参考訳）: シフトおよびストレッチ不変な非負の行列因子化と発光トモグラフィーデータにおける脳組織デライン化への応用
• Authors: Anders S. Olsen, Miriam L. Navarro, Claus Svarer, Jesper L. Hinrich, Morten Mørup, Gitte M. Knudsen,
• Abstract要約: シフト不変およびストレッチ不変な非負行列分解フレームワークを提案する。 提案手法では,整数と非整数の時間的シフトと時間的ストレッチの両方を推定する。 我々は,脳組織構造のより詳細な解析を行うために,モデルがストレッチを考慮できる合成データと脳発光トモグラフィーデータについて実証した。
• 参考スコア（独自算出の注目度）: 5.529329772842872
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Dynamic neuroimaging data, such as emission tomography measurements of radiotracer transport in blood or cerebrospinal fluid, often exhibit diffusion-like properties. These introduce distance-dependent temporal delays, scale-differences, and stretching effects that limit the effectiveness of conventional linear modeling and decomposition methods. To address this, we present the shift- and stretch-invariant non-negative matrix factorization framework. Our approach estimates both integer and non-integer temporal shifts as well as temporal stretching, all implemented in the frequency domain, where shifts correspond to phase modifications, and where stretching is handled via zero-padding or truncation. The model is implemented in PyTorch (https://github.com/anders-s-olsen/shiftstretchNMF). We demonstrate on synthetic data and brain emission tomography data that the model is able to account for stretching to provide more detailed characterization of brain tissue structure.
• Abstract（参考訳）: ダイナミック・ニューロイメージング・データ、例えば放射トモグラフィーによる血液や脳脊髄液中の放射性物質輸送の測定は、しばしば拡散のような性質を示す。 これらは、従来の線形モデリングおよび分解手法の有効性を制限する距離依存時間遅延、スケール差、ストレッチ効果を導入している。 これを解決するために、シフト不変およびストレッチ不変な非負行列分解フレームワークを提案する。 提案手法は,位相変化に対応する周波数領域に実装され,ゼロパディングやトランケーションによってストレッチが処理される周波数領域において,整数と非整数の時間シフトと時間ストレッチの両方を推定する。 このモデルはPyTorch (https://github.com/anders-s-olsen/shiftstretchNMF)で実装されている。 我々は,脳組織構造のより詳細な解析を行うために,モデルがストレッチを考慮できる合成データと脳発光トモグラフィーデータについて実証した。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Capturing Longitudinal Changes in Brain Morphology Using Temporally Parameterized Neural Displacement Fields [1.8124328823188356]
  時間パラメータ化ニューラル変位場を用いた構造変化をモデル化する新しい縦型登録法を提案する。 本手法が4次元脳MRレジストレーションに及ぼす影響を実証する。
  論文  参考訳（メタデータ） (2025-04-13T10:38:00Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
  病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。 腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
  論文  参考訳（メタデータ） (2024-06-04T16:47:47Z)
• Dynamic Tensor Decomposition via Neural Diffusion-Reaction Processes [24.723536390322582]
  テンソル分解は マルチウェイデータ解析の 重要なツールです 動的EMbedIngs fOr Dynamic Algorithm dEcomposition (DEMOTE)を提案する。 シミュレーション研究と実世界の応用の両方において,本手法の利点を示す。
  論文  参考訳（メタデータ） (2023-10-30T15:49:45Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion Networks [63.596602299263935]
  本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。 提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
  論文  参考訳（メタデータ） (2022-05-03T07:54:39Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Efficient Multidimensional Functional Data Analysis Using Marginal Product Basis Systems [2.4554686192257424]
  多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。 本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。 我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
  論文  参考訳（メタデータ） (2021-07-30T16:02:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。